ㅁ 융합/응용

ㅇ 정의:
– Knowledge Graph(KG)와 Neural Network(NN)를 결합하여, 구조화된 지식 표현과 비정형 데이터 학습 능력을 동시에 활용하는 접근 방식.

ㅇ 특징:
– KG는 엔티티와 관계를 그래프 형태로 표현하여 추론 가능.
– NN은 이미지, 음성, 자연어 등 비정형 데이터 패턴 인식에 강점.
– 결합 시 NN이 추출한 특징을 KG의 노드/관계로 매핑하거나, KG에서 추론한 결과를 NN 입력으로 활용 가능.

ㅇ 적합한 경우:
– 대규모 데이터에서 의미 기반 검색, 추천, 질의응답 시스템.
– 도메인 지식이 중요한 의료, 법률, 제조 분야.
– 데이터 일부가 구조화되어 있고 일부는 비정형 데이터인 경우.

ㅇ 시험 함정:
– KG와 NN의 결합을 단순한 데이터 통합으로 오해.
– KG는 정형 데이터만 처리 가능하다고 잘못 이해.
– NN이 KG의 추론 기능을 대체할 수 있다고 착각.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “KG는 관계 기반 추론을, NN은 패턴 인식을 담당하며 결합 시 상호 보완적이다.”
– X: “KG+NN 융합은 KG의 추론 기능을 제거하고 NN으로 대체한다.”

ㅁ 추가 학습 내용

KG+NN 융합 구조의 대표 구현 패턴에는 NeuralLP, R-GCN, GNN 기반 모델이 있다.
KG 임베딩 기법으로는 TransE, DistMult, ComplEx 등이 있으며, 이를 신경망 입력으로 사용하는 방식과 신경망에서 추출한 특징을 지식그래프에 동적으로 반영하는 방식이 있다.
응용 사례로는 지식 기반 챗봇, 의미 기반 추천 시스템, 복합 질의응답 시스템이 있다.
시험에서는 KG+NN 융합의 목적과 단일 신경망 대비 장점을 묻는 문제가 자주 출제될 수 있다.